Uji Friedman dan Uji Anderson pada Rancangan Acak Kelompok Lengkap Dasar

Nonparametrik

Rose Mawati1, Sigit Nugroho2, dan Jose Rizal2

1
Alumni Jurusan Matematika Fakultas MIPA Universitas Bengkulu
2
Staf Pengajar Jurusan Matematika Fakultas MIPA Universitas Bengkulu

ABSTRAK
Penelitian ini bertujuan untuk mengkaji perbandingan metode pengujian dengan metode
parametrik dan metode nonparametrik, serta mempelajari prosedur pengujian dari kedua
metode. Metode parametrik yang digunakan adalah Rancangan Acak Kelompok
Lengkap Dasar (RAKLD), dan untuk metode nonparametrik digunakan uji Friedman,
dan uji Anderson. Metode nonparametrik digunakan sebagai alternative apabila metode
parametrik tidak dipenuhi. Metode penelitian pada penulisan ini adalah studi literature.
Sebagai pembanding antara kedua metode ini, maka digunakanlah simulasi data, dimana
simulasi ini dilakukan dengan menggunakan data bangkitan dari dua sebaran, yaitu:
sebaran seragam, dan sebaran normal. Sebaran normal yang digunakan dikombinasikan
dengan tiga kombinasi rata-rata perlakuan yang berbeda-beda. Hasil simulasi dengan
sebaran seragam menunjukkan bahwa metode parametrik lebih baik dari pada metode
nonparametrik, sedangkan hasil dari simulasi dengan sebaran normal diperoleh
kombinasi hasil yang berbeda-beda, untuk simulasi dengan sebaran normal dengan tiga
rata-rata sama diperoleh bahwa uji parametrik lebih baik, untuk simulasi sebaran normal
dengan dua rata-rata sama, satu berbeda diperoleh bahwa uji nonparametrik lebih baik,
dan untuk simulasi dengan sebaran normal untuk tiga rata-rata berbeda, metode
parametrik sama baiknya dengan metode nonparametrik.

Kata Kunci : RAKLD, Uji Friedman, Uji Anderson

1. Latar Belakang
Setiap melakukan percobaan diperlukan rancangan percobaan agar mendapatkan hasil
yang diinginkan. Salah satu aspek utama rancangan percobaan adalah mengenai
efisiensi. Terdapat beberapa rancangan percobaan yang dapat diterapkan dalam sebuah
percobaan, sehingga ketepatan pemilihan rancangan akan membawa pada analisa
obyektif demi tercapainya tujuan percobaan.

Salah satu metode rancangan percobaan adalah rancangan acak kelompok lengkap.
Untuk rancangan ini tiap satuan percobaan dalam satu blok harus bersifat homogen dan
antar blok bersifat heterogen. Rancangan acak kelompok lengkap merupakan suatu
rancangan percobaan dimana dalam suatu kelompok (blok) satuan percobaan terdapat t
perlakuan yang muncul dalam jumlah yang sama dan sejumlah t perlakuan tersebut
ditempatkan secara acak pada tiap blok.

Tujuan rancangan percobaan secara khusus adalah untuk mengukur pengaruh perlakuan.
Pada rancangan acak kelompok lengkap juga dilakukan pengaruh perlakuan. Pengaruh
perlakuan ini terbagi dua yaitu pengaruh perlakuan tetap dan pengaruh perlakuan acak.
Pengaruh perlakuan tetap artinya sampel perlakuan lapangan tidak digunakan untuk

1
generalisasi populasi perlakuan sedangkan pengaruh perlakuan acak adalah sampel
perlakuan digunakan untuk generalisasi populasi perlakuan.

Pengaruh perlakuan pada rancangan acak kelompok lengkap ini menguji kesamaan
pengaruh perlakuan tetap dari beberapa populasi. Pada pengujian hipotesis didasarkan
pada asumsi mengenai pengambilan sampel dari setiap populasi. Suatu distribusi
populasi tidak dapat diasumsikan normal apabila pada kondisi data berskala nominal
dan ordinal (Daniel, 1989).

Pada statistika nonparametrik terdapat beberapa pengembangan pengujian untuk

pengaruh tetap perlakuan, salah satu ujinya dalam rancangan acak kelompok lengkap
yang umum digunakan adalah uji Friedman yang pertama kali diperkenalkan pada tahun
1937. Uji yang hampir sama yaitu uji Anderson pertama kali diperkenalkan pada tahun
1959. Uji ini juga didasarkan pada pemeringkatan data namun berbeda rumusan dengan
uji Friedman.

Uji Friedman sering digunakan karena prosedurnya tidak terlalu rumit sedangkan uji
Anderson jarang digunakan karena prosedurnya yang sulit dan tabel peluang pasti dari
uji Anderson ini sulit diperoleh.

Melalui studi literatur, penelitian ini akan membahas tentang pengaruh perlakuan tetap
dengan menggunakan uji Friedman dan uji Anderson, selain itu penelitian ini akan
mengkaji lebih dalam mengenai prosedur uji Friedman dan uji Anderson serta
memperoleh tabel peluang pastinya.

2. Statistika Inferensia dan Rancangan Acak Kelompok Lengkap Dasar

Statistika Inferensia atau statistika induktif adalah statistika yang menggunakan data
dari suatu sampel, untuk menarik kesimpulan mengenai populasi dari mana sampel
tersebut diambil. Pengambilan kesimpulan mengenai keseluruhan populasi berdasarkan
data yang ada dari sampel, kesimpulan ini membutuhkan asumsi dimana terdapat
beberapa persyaratan atau kondisi-kondisi tertentu yang harus dipenuhi. Dalam statistik
inferensia ini, asumsi yang harus dipenuhi yaitu bentuk distribusinya diketahui,
misalnya saja populasi tersebut berdistribusi normal.

Komponen-komponen penting dalam statistika inferensia, yaitu membuat dugaan

tentang parameter populasi dan menguji hipotesis tentang karakteristik populasi.
Terdapat dua macam teknik statistika inferensia yang dapat digunakan untuk menguji
hipotesis penelitian, yaitu statistika parametrik dan statistika nonparametrik. Kedua
jenis statistik ini bekerja menggunakan data sampel, dan pengambilan sampelnya harus
dilakukan secara acak. Perbedaan dalam kedua statistik ini yaitu pada pemenuhan suatu
persyaratan atau asumsi, persyaratan atau kondisi terpenuhi maka digunakan statistika
parametrik. Sebaliknya apabila asumsi tidak dipenuhi maka digunakan statistika
nonparametrik.

2
2.1 Statistika Parametrik
Statistika parametrik adalah suatu metode pengujian statistika yang modelnya
menetapkan adanya syarat-syarat tertentu tentang parameter populasi yang merupakan
sumber sampel penelitian. Sesuai dengan namanya yaitu statistika parametrik maka
parameter merupakan komponen penting dalam pengujiannya, dimana parameter adalah
suatu indikator dari suatu distribusi hasil pengukuran. Indikator dari distribusi
pengukuran berdasarkan statistika parametrik digunakan untuk menjadi parameter bagi
distribusi normal. Hal-hal yang perlu diperhatikan dalam penerapan statistika
parametrik sebagai berikut:

1. Distribusi dari suatu sampel yang dijadikan objek pengukuran berasal dari distribusi
populasi yang diasumsikan berdistribusi normal.
2. Sampel diperoleh secara acak, dengan jumlah yang dianggap dapat mewakili
populasi.
3. Skala pengukuran harus berbentuk rasio atau interval (kontinu) atau skala nominal
yang terlebih dahulu diubah menjadi proporsi (diolah menggunakan distribusi kai-
kuadrat).

Apabila semua syarat-syarat ini semua terpenuhi, maka baru diterapkan metode statistik
parametrik.

2.2 Statistika Nonparametrik

Statistika nonparametrik adalah kebalikan dari statistika parametrik. Metode statistik
nonparametrik tidak menetapkan syarat-syarat tertentu tentang bentuk distribusi
parameter populasinya. Menurut Nugroho (2008), statistika dapat dikatakan
nonparametrik apabila memenuhi paling sedikit satu kriteria sebagai berikut:

1. Metode ini digunakan untuk data pengamatan dengan skala nominal.

2. Metode ini digunakan untuk data pengamatan dengan skala ordinal.
3. Metode ini dapat digunakan pada data dengan skala pengukuran interval atau rasio,
dimana fungsi sebaran peubah acak yang menghasilkan data tak diketahui atau
diketahui kecuali untuk sebanyak tak hingga parametrik yang tak diketahui.

2.2 Rancangan Acak Kelompok Lengkap Dasar

Rancangan Acak Kelompok Lengkap Dasar merupakan salah satu metode dari
rancangan percobaan. Rancangan ini terjadi apabila kelompok dari satuan percobaan
terdapat t perlakuan, yang muncul dalam jumlah yang sama dan sejumlah t perlakuan
tersebut ditempatkan secara acak pada tiap blok. Syarat satuan percobaan pada
rancangan acak kelompok lengkap adalah dalam satu blok harus bersifat homogen dan
antar blok bersifat heterogen. Apabila dalam setiap percobaan terdapat perbedaan, maka
dalam percobaan tersebut ada faktor lain yang berpengaruh pada besarnya respon.
Pengaruh tersebut dapat ditentukan dan digunakan dalam formasi blok-blok tersebut.

2.3.1 Kelebihan dan Kekurangan Rancangan Acak Kelompok Lengkap Dasar

Menurut Nugroho (2008) beberapa kelebihan dan kekurangan dari Rancangan Acak
Kelompok Lengkap Dasar adalah sebagai berikut:
1. Analisis dapat dilakukan dengan mudah dan langsung.
2. Hasil lebih akurat apabila pemblokkan dilakukan secara benar.

3
3. Sensifitas yang tinggi (naik).
4. Fleksibel dan luwes. Tidak ada batasan jumlah perlakuan dan atau blok.
Bagaimanapun baiknya suatu metode maupun prosedur pasti memiliki beberapa
kekurangan, berikut ini terdapat beberapa kekurangan atau kerugian dari Rancangan
Acak Kelompok Lengkap Dasar antara lain:
1. Bila jumlah perlakuan yang banyak, blok-blok yang homogen mungkin sukar
didapatkan. Semakin banyak satuan percobaan tiap blok, semakin besar
kemungkinan satuan percobaan, satuan percobaan yang homogen.
2. Jika blok dan perlakuan berinteraksi, rancangan acak kelompok tidak tepat bila
digunakan.

2.3.2 Syarat Pengelompokan dan Penempatan Perlakuan

Syarat pengelompokkan yaitu keragaman (variasi) dalam kelompok lebih kecil
dibandingkan keragaman antar kelompok. Apabila pengelompokan tidak baik, maka
sama saja melakukan percobaan dengan Rancangan Acak Lengkap.

2.3.3 Model Linier Rancangan Acak Kelompok Lengkap Dasar

Model adalah sesuatu yang dibuat untuk menirukan keadaan yang sesungguhnya dalam
kehidupan. Model terbagi dua yaitu model matematis dan model statistik. Model
RAKLD ini termasuk model statistik, dan merupakan pengembangan sederhana dari
rancangan acak lengkap, dengan komponen tambahan yaitu pemblokkan. Total variasi
pada RAKLD, dibagi menjadi tiga yaitu variasi pemblokan, variasi perlakuan, dan
variasi galat.

Model pada Rancangan Acak Kelompok Lengkap Dasar dikatakan linier karena pangkat
parameternya satu. Model linier RAKLD dapat dituliskan sebagai berikut:

         ;  1, 2, . ,    1, 2, … ,  (2.1)

Dimana :

 = nilai pengamatan perlakuan ke-i dan ulangan atau blok ke-j

 = rata-rata umum

 = pengaruh kelompok atau blok ke-j

 = pengaruh perlakuan ke-i

 = komponen acak (galat)

Asumsi-asumsi yang harus dipenuhi agar inferensia valid, untuk model pengaruh tetap
adalah:

1. menyebar bebas identik menurut sebaran Normal 0,   untuk tiap i dan j.
2. selain itu harus terpenuhinya asumsi bahwa ∑   0 dan ∑   0.

4
Dari model linier pada persamaan (2.1), dapat dicari penduga sampel bagi masing-
masing parameter dengan menggunakan metode kuadrat terkecil, sehingga diperoleh
penduga parameter dengan cara meminimumkan jumlah kuadrat galat.

 
       (2.2)

Sehingga, diperoleh
!  ! 
 
    "
       # (2.3)
   

Misalkan
!  ! 
 
$      "
       # (2.4)
   

• Untuk mencari penduga %, & diturunkan terhadap %, sehingga diperoleh:

! 
'$
 2  "
       # (2.5)
'
 

Sehingga, diperoleh penduga bagi  yakni

! 
1
̂   


 

̂ 
).. (2.6)

• Untuk mencari penduga *+ , & diturunkan terhadap *+ , sehingga diperoleh

persamaan:

'$
 2 "
       # (2.7)
'



1  (2.8)
̂  
  ̂
 


̂ 
). 
)..

• Untuk mencari penduga ,- , & diturunkan terhadap ,- , sehingga diperoleh:

5
 !
'$
 2 "
       # (2.9)
'


!
1 (2.10)
.  
  ̂



. 
). 
)..

Sisanya adalah

 
) 
)..  
). 
)..   "
). 
).. #


) 
).. 
). 
).. 
). 
)..


) 
). 
). 
).. (2.11)

Selanjutnya, model diganti dengan penduganya

) 
)..  
). 
)..   "
). 
).. #  "
) 
). 
). 
).. #

"
) 
).. #  
). 
)..   "
). 
).. #  "
) 
). 
). 
).. # (2.12)

karena nilai /, 0, dan 1 adalah 0, sehingga diperoleh persamaan:

!  !  ! 
 
 "
) 
).. #   
). 
)..    "
). 
).. #
     

! 

  "
) 
). 
). 
).. #
 

! 

  
). 
)..    "
). 
).. #
  (2.14)

6
 ! 

  "
) 
). 
). 
).. #
 

Sehingga diperoleh suatu hubungan persamaan:

23456789  234:;87<=7>9  234086<9  234?7879 (2.15)

2.3.4 Tabel ANAVA dan Perhitungan Jumlah Kuadrat Pada RAKLD

Tabel 2.3 ANAVA untuk Rancangan Acak Kelompok Lengkap Dasar

Sumber Jumlah Kuadrat NHKT

Derajat Bebas
Keragaman Kuadrat Tengah Model Tetap

Blok 1 230 350   @A

Perlakuan 1 23: 35:   @A

(  1) (  1) 23? 35? 

Galat

Total   1 235

Sumber : Lentner & Bishop, 1986.

Apabila asumsi model tetap ini terpenuhi maka tahapan dilanjutkan dengan pengujian
hipotesis, pembuatan selang kepercayaan, serta pembandingan. Untuk model tetap
digunakan hipotesis

BC :     …  !

B : sedikitnya ada sepasang  E  , dengan E .

Setelah menentukan hipotesis, selanjutnya dilakukan pengujian pada taraf uji F, uji
yang digunakan adalah uji G dimana pengujian ini berasal dari rasio atau hasil
pembagian antara:

23:
35: 
1

7
 ∑! ∑ 
). 
).. 
 (2.20)
1

23?
35? 
  1  1

∑! ∑ 
 
). 
). 
).. 

 (2.21)
  1  1

Berdasarkan rumusan diatas dapat dilihat bahwa Kuadrat Tengah Perlakuan 35:
berdistribusi kai-kuadrat dengan derajat bebas   1 dan untuk Kuadrat Tengah Galat
35? juga berdistribusi kai-kuadrat dengan derajat bebas   1  1. Hasil
pembagian atau rasio dari 35: dan 35? ini menjadi berdistribusi G. Sehingga
diperoleh statistik uji untuk Rancangan Acak Kelompok Lengkap Dasar, dengan
rumusan sebagai berikut:

35:
G (2.22)
35?

Setelah diperoleh nilai G, selanjutnya nilai tersebut dibandingkan dengan nilai G tabel
dengan derajat bebas   1,   1  1.

3. Uji Friedman
Uji Friedman pertama kali diperkenalkan oleh Friedman pada tahun 1937. Metode ini
dianalisis minimal menggunakan data yang diukur dalam skala ordinal. Bila data yang
terkumpul berbentuk interval atau rasio, maka data tersebut harus diubah ke dalam data
ordinal. Metode uji Friedman ini digunakan untuk menguji kesamaan pengaruh
perlakuan tetap dari dua atau lebih populasi.

3.1 Asumsi-Asumsi pada Uji Friedman

Terdapat beberapa asumsi yang perlu diperhatikan dalam uji Friedman, asumsi-asumsi
ini ada yang perlu dipenuhi dan ada pula asumsi yang tidak perlu dipenuhi, asumsi yang
perlu dipenuhi antara lain:
1. Data diukur paling sedikit dalam skala ordinal.
2. Data terdiri atas r buah sampel (blok) berukuran t yang saling bebas. Nilai
pengamatan ke-i dalam sampel atau blok ke-j kita sebut Xij.
3. Variabel yang diambil harus kontinu.
4. Tidak ada interaksi antara blok-blok dan perlakuan-perlakuan.
5. Nilai-nilai pengamatan dalam masing-masing blok boleh diperingkat menurut
besarnya.

8
6. Sampel-sampel yang mendapat perlakuan tidak saling bebas terdapat pada dua
keadaan, yaitu sebuah sampel mengalami beberapa t kali pengukuran, atau
beberapa sampel mengalami pencocokan (Murti, 1996).

3.2 Kriteria Pengujian Friedman

Sebelum melakukan pengujian dengan uji Friedman, terdapat beberapa langkah-
langkah atau prosedur yang harus dipenuhi. Langkah pertama pada pengujian ini
terlebih dahulu berikanlah peringkat terhadap nilai-nilai pengamatan dalam masing-
masing blok, mulai dari 1 untuk nilai pengamatan terkecil sampai t untuk nilai
pengamatan terbesar, hal ini juga berlaku sebaliknya yaitu pemberian peringkat mulai
dari 1 untuk nilai pengamatan terkecil sampai t untuk nilai pengamatan terkecil. Bila
terdapat beberapa angka sama dalam blok, angka-angka sama diberi peringkat rata-rata,
menurut posisi peringkat jika tidak terdapat angka sama. Langkah selanjutnya adalah
menjumlahkan peringkat pada masing-masing perlakuan. Hasil penjumlahan ini
dinotasikan dengan H , dimana  1, 2, 3, … , . Pada keadaan B diterima, jumlah
peringkat pada masing-masing tingkat perlakuan itu haruslah sama.

Tabel 3.1 Layout Data untuk Uji Friedman

Perlakuan 1 2 3 J t

1 K K  K L J K !

2 K K KL J K!

Blok 3 KL KL KLL J KL!

J J J J J J
r K K KL J K!

Menentukan hipotesis yang akan digunakan pada pengujian statistika nonparametrik

merupakan hal yang sangat penting. Dalam pengujian nonparametrik ini hipotesis yang
digunakan adalah hipotesis nol dan hipotesis tandingan (alternatif). Hipotesis nol, ditulis
sebagai BC , yang lazimnya merupakan hipotesis yang dicoba untuk ditolak. Sedangkan
hipotesis tandingan, ditulis dengan B , lazimnya merupakan hipotesis yang dicoba
untuk diterima.
Hipotesis pada uji Friedman ini adalah

BC = setiap perlakuan mempunyai pengaruh yang sama.

B = sedikitnya ada sepasang perlakuan mempunyai pengaruh yang

tidak sama.

Selanjutnya menetapkan taraf nyata pengujian F. Taraf nyata yang sering
digunakan adalah 0,01 atau 0,05. Taraf nyata ini memiliki arti bahwa dalam 100 kali
percobaan, kesalahan paling banyak terjadi 1 atau 5 kali.

9
Berdasarkan Layout data uji Friedman pada Tabel 3.1, memperlihatkan bahwa dengan
uji Friedman, terdapat satuan percobaan yang dikelompokkan menurut perbedaan
perlakuan, dan juga dikelompokkan menurut perbedaan subjek menjadi sejumlah blok.
Kesimpulan yang diperoleh dari uji Friedman yaitu apakah sejumlah k kelompok
perlakuan berasal dari populasi yang sama. Misalkan bahwa H menotasikan jumlah
peringkat (rank) pada perlakuan ke- , dapat dituliskan nilai harapan H :
  1
H  (3.1)
2
Dimana:

 = banyaknya blok.

 = banyaknya perlakuan.
Peringkat pada uji Friedman pada setiap blok dijumlahkan dan dirumuskan sebagai
berikut:
!
  1 
M   NH  O (3.2)
2


Dengan:
H = jumlah peringkat teramati pada perlakuan ke- , dan  1, 2, 3, … , .
Sehingga statistik uji Friedman merupakan perbandingan antara jumlah peringkat
teramati dengan jumlah peringkat harapan dan dinotasikan sebagai berikut:
! 
12   1
5  NH   O (3.3)
  1 2


Alternatif rumus dari statistik uji 5 adalah

!
12
5  H   3  1 (3.4)
  1


4. Uji Anderson
Pada tahun 1959, Anderson mengusulkan suatu uji nonparametrik untuk menganalisa
data pada blok teracak. Uji ini merupakan metode nonparametrik yang digunakan untuk
melakukan analisa varian dua arah pada rancangan acak kelompok lengkap.

Uji Anderson merupakan variasi dari uji Friedman dalam menganalisa pengaruh
perlakuan tetap pada Rancangan Acak Kelompok Lengkap. Uji ini hanya terdapat satu
pengamatan untuk setiap perlakuan di dalam setiap blok, uji ini digunakan pada saat
tidak diperhitungkan asumsi kenormalan dari distribusi sampel.

10
Data hasil pengamatan pada uji ini berupa peringkat, sehingga data ini tergolong pada
tipe data ordinal.

4.1 Asumsi dan Hipotesis

Asumsi-asumsi yang digunakan untuk uji Anderson adalah sebagai berikut:
1. Data terdiri dari n blok yang berisi s satuan percobaan yang saling bebas (hasil
dalam setiap blok tidak berpengaruh dengan hasil akhir dalam blok-blok
lainnya).
2. Dalam masing-masing blok pengamatan diperingkat mengikuti kriteria-kriteria
tertentu, pemeringkatan dimulai dari nilai pengamatan terkecil hingga yang
terbesar pada setiap blok.

4.2 Kriteria Pengujian Anderson

Sebelum melakukan uji Anderson, terdapat beberapa langkah-langkah yang harus
diperhatikan, langkah pertama adalah data hasil pengamatan pada setiap blok
diperingkatkan dari yang terkecil sampai data terbesar, kemudian peringkat-peringkat
pada setiap blok dijumlahkan yang dinotasikan dengan PQ yaitu banyaknya blok pada
perlakuan  yang memperoleh peringkat <.

Dimana pada kondisi biasa merupakan distribusi Kai-kuadrat atau biasa ditulis dengan
R  statistik untuk kehomogenan atau kebebasan.
Prosedur pengujian Anderson adalah:
1. Hipotesis yang digunakan pada pengujian ini
BC = setiap perlakuan mempunyai pengaruh yang sama.

B = sedikitnya ada sepasang perlakuan mempunyai pengaruh yang

tidak sama.

2. Statistik anderson untuk S berukuran kecil digunakan perhitungan dengan

rumus:
V V
S > 
/    TPQ  U (4.1)
> S
Q 
Dimana:
> = jumlah blok
S = jumlah perlakuan
Sedangkan untuk statistik uji Anderson ukuran perlakuan S besar, maka
digunakan distibusi R  dihitung dengan
S1
/
(4.2)
S
Kriteria penolakan hipotesis nol yang digunakan adalah: Tolak hipotesis nol
pada taraf F jika nilai W X F, dimana nilai p diperoleh dari Lampiran 11,
berdasarkan nilai statistik uji yang diperoleh.
Pada ukuran sampel besar untuk uji Friedman dan uji Anderson memiliki distribusi R  ,
dengan derajat bebas   1 untuk Friedman dan S  1 untuk Anderson. Semakin
besar ukuran perlakuan, maka perhitungan memerlukan waktu yang lama untuk

11
menyelesaikannya, sehingga diperlukan pendekatan tabel kai-kuadrat untuk
memperoleh keputusan pengujiannya.

Tabel 4.1 Layout Data untuk Uji Anderson

Peringkat 1 2 3 J s Total

1 P P  P L J P V >
2 P P PL J PV >

Perlakuan 3 PL PL PLL J PLV >

J J J J J J
s PV PV PVL J PVV >
Total > > > J > >S

5. Simulasi
Simulasi data untuk uji Friedman, dan uji Anderson (metode nonparametrik) ini akan
dibandingkan dengan uji serupa, dengan mengunakan analisis varian untuk metode
parametrik pada Rancangan Acak Kelompok Lengkap Dasar. Simulasi ini dilakukan
menggunakan data bangkitan yang berasal dari distribusi seragam, dan distribusi
normal.

5.1 Simulasi untuk Distribusi Seragam

Pada teladan simulasi ini menggunakan data bangkitan yang berdistribusi seragam
dengan jumlah blok sebanyak 4, dan jumlah perlakuan sebanyak 3. Simulasi dan
pengujian yang akan dilakukan ini menggunakan Microsoft Excel.
Perhitungan-perhitungan dengan simulasi data ini dilakukan sama seperti perhitungan
yang dilakukan dalam teladan penerapan pada bab sebelumnya. Untuk metode
nonparametrik perhitungan dilakukan dengan menggunakan statistik uji dari masing-
masing uji, kemudian menentukan nilai peluang yang dapat dilihat menggunakan tabel
distribusi peluang, untuk uji Friedman, dan uji Anderson. Setelah didapatkan nilai
peluang pada tabel distribusi pasti, maka tentukan signifikansi, apakah nilai peluang ini
signifikan pada taraf 0,01, signifikan pada taraf 0,05, atau tidak signifikan. Hal yang
sama juga dilakukan pada RAKLD (metode parametrik), perhitungan dilakukan untuk
memperoleh nilai G hitung, kemudian menentukan nilai peluang yang akan digunakan
untuk menentukan signifikansi.
Setelah diperoleh nilai pada statistik uji, nilai peluang, dan signifikansi pada kedua
metode maka tahapan selanjutnya adalah melakukan simulasi dengan 1000 kali simulasi
(Lampiran 3). Berdasarkan simulasi tersebut, diperoleh hasil sebagai berikut:

12
 Tabel 5.1 Perbandingan Hasil Pada Distribusi Seragam
Metode
Metode Nonparametrik
Signifikansi Parametrik

RAKLD Uji Friedman Uji Anderson

Tidak Signifikan 942 964 948

Signifikan 58 36 52

Berdasarkan 1000 simulasi pada data yang memiliki sebaran seragam, menghasilkan
bahwa untuk metode parametrik (RAKLD) terdapat 58 yang signifikan, untuk uji
Friedman terdapat 36 nilai yang signifikan, dan untuk uji Anderson terdapat 52 nilai
yang signifikan. Berdasarkan jumlah nilai signifikan pada kedua metode tersebut
diketahui bahwa RAKLD memiliki nilai signifikansi yang lebih besar dibandingkan uji
Friedman, dan uji Anderson, sehingga diperoleh kesimpulan bahwa untuk simulasi
menggunakan sebaran seragam ini, RAKLD (metode parametrik) lebih baik
dibandingkan uji Friedman, dan uji Anderson (metode nonparametrik).

5.2 Simulasi untuk Distribusi Normal

Pada teladan simulasi ini menggunakan data bangkitan yang berdistribusi normal
dengan jumlah blok sebanyak 4, dan jumlah perlakuan sebanyak 3. Simulasi ini akan
dikelompokkan menjadi tiga bagian dengan membedakan rata-rata yang digunakan,
sebagai berikut:

1. Simulasi pertama menggunakan data bangkitan dengan tiga rata-rata yang sama.
2. Simulasi kedua menggunakan data bangkitan dengan dua rata-rata sama, dan satu
rata-rata berbeda.
3. Simulasi dengan ketiga rata-rata yang berbeda.

Ketiga bagian pengelompokkan ini menggunakan nilai standar deviasi yang sama.
Simulasi dan pengujian yang akan dilakukan ini dilakukan menggunakan Microsoft
Excel.

5.2.1 Simulasi untuk Distribusi Normal dengan Rata-Rata Sama

Perhitungan-perhitungan dengan simulasi data ini dilakukan hampir sama seperti
perhitungan yang dilakukan untuk simulasi berdistribusi seragam, yang membedakan
hanyalah data dibangkitkan dengan distribusi normal untuk nilai ketiga rata-rata yang
sama pada ketiga perlakuan. Untuk metode nonparametrik perhitungan dilakukan
dengan menggunakan statistik uji dari masing-masing uji, kemudian menentukan nilai
peluang yang dapat dilihat mengunakan tabel distribusi peluang, untuk uji Friedman,
dan uji Anderson. Setelah didapatkan nilai peluang pada tabel distribusi pasti, maka
tentukan signifikansi, apakah nilai peluang ini signifikan pada taraf 0,01, signifikan
pada taraf 0,05, ataupun tidak signifikan. Hal yang sama juga dilakukan pada
Rancangan Acak Kelompok Lengkap Dasar (RAKLD), perhitungan dilakukan untuk

13
memperoleh nilai G hitung, kemudian menentukan nilai peluang yang akan digunakan
untuk menentukan signifikansi.

Setelah diperoleh nilai pada statistik uji, nilai peluang, dan signifikansi pada kedua
metode maka tahapan selanjutnya adalah melakukan simulasi dengan 1000 kali simulasi
(Lampiran 5). Berdasarkan simulasi tersebut, diperoleh hasil sebagai berikut:

Tabel 5.2 Perbandingan Hasil Pada Distribusi Normal Rata-Rata Sama

Metode
Metode Nonparametrik
Signifikansi Parametrik

RAKLD Uji Friedman Uji Anderson

Tidak Signifikan 932 953 937

Signifikan 68 47 63

Berdasarkan 1000 simulasi pada data yang memiliki sebaran normal, menghasilkan
bahwa untuk metode parametrik (RAKLD) terdapat 68 yang bernilai signifikan, untuk
uji Friedman terdapat 47 yang bernilai signifikan, dan untuk uji Anderson terdapat 63
bernilai signifikan. Berdasarkan jumlah signifikansi pada kedua metode terlihat bahwa
RAKLD memiliki nilai signifikan yang lebih besar dibandingkan uji Friedman, dan uji
Anderson, sehingga diperoleh kesimpulan bahwa untuk simulasi menggunakan sebaran
normal ini, RAKLD (metode parametrik) lebih baik dibandingkan uji Friedman, dan uji
Anderson (metode nonparametrik).
5.2.2 Simulasi untuk Distribusi Normal dengan Dua Rata-Rata Sama dan Satu
Berbeda
Perhitungan-perhitungan dengan simulasi data ini dilakukan hampir sama seperti
perhitungan yang dilakukan untuk simulasi pada subbab 5.2.1, yang membedakan
hanyalah data dibangkitkan berdistribusi normal dengan dua nilai rata-rata yang sama,
dan satu rata-rata berbeda untuk ketiga perlakuan.

Setelah diperoleh nilai pada statistik uji, nilai peluang, dan signifikansi pada kedua
metode maka tahapan selanjutnya adalah melakukan simulasi dengan 1000 kali simulasi
(Lampiran 7). Berdasarkan simulasi tersebut, diperoleh hasil sebagai berikut:

Tabel 5.3 Perbandingan Hasil dengan Dua Rata-Rata Sama, Satu Berbeda
Metode
Metode Nonparametrik
Signifikansi Parametrik

RAKLD Uji Friedman Uji Anderson

Tidak Signifikan 946 957 940

Signifikan 54 43 60

14
Berdasarkan 1000 simulasi pada data yang memiliki sebaran normal dengan dua rata-
rata berbeda, menghasilkan bahwa untuk metode parametrik (RAKLD) terdapat
sejumlah 54 nilai yang signifikan, untuk uji Friedman terdapat 43 nilai yang signifikan,
dan untuk uji Anderson terdapat 60 nilai yang signifikan. Berdasarkan jumlah
signifikansi pada kedua metode terlihat bahwa uji Anderson memiliki nilai signifikan
yang lebih besar dibandingkan uji Friedman, dan RAKLD, sehingga diperoleh
kesimpulan bahwa untuk simulasi menggunakan sebaran normal dengan dua rata-rata
berbeda ini, uji Anderson (metode nonparametrik) lebih baik dibandingkan uji
Friedman, dan RAKLD (metode parametrik).

5.2.3 Simulasi untuk Distribusi Normal dengan Ketiga Rata-Rata Berbeda

Perhitungan-perhitungan dengan simulasi data ini dilakukan hampir sama seperti
perhitungan yang dilakukan untuk simulasi pada subbab 5.2.2 yang membedakan
hanyalah data dibangkitkan dengan nilai ketiga rata-rata yang berbeda untuk ketiga
perlakuan. Untuk metode nonparametrik perhitungan dilakukan dengan menggunakan
statistik uji dari masing-masing uji, kemudian menentukan nilai peluang yang dapat
dilihat mengggunakan tabel distribusi peluang, untuk uji Friedman, dan uji Anderson.
Setelah didapatkan nilai peluang yang tepat, maka tentukan signifikansi, apakah nilai
peluang ini signifikan pada taraf 0,01, signifikan pada taraf 0,05, ataupun tidak
signifikan. Hal yang sama juga dilakukan pada rancangan acak kelompok dasar (metode
parametrik), perhitungan dilakukan untuk memperoleh nilai G hitung, kemudian
menentukan nilai peluang yang akan digunakan untuk menentukan signifikansi.

Setelah diperoleh nilai pada statistik uji, nilai peluang, dan signifikansi pada kedua
metode maka tahapan selanjutnya adalah melakukan simulasi dengan 1000 kali simulasi
(Lampiran 9). Berdasarkan simulasi tersebut, diperoleh hasil sebagai berikut:

Tabel 5.4 Perbandingan Hasil dengan Ketiga rata-Rata Berbeda

Metode
Metode Nonparametrik
Signifikansi Parametrik

RAKLD Uji Friedman Uji Anderson

Tidak Signifikan 942 954 942

Signifikan 58 46 58

Berdasarkan 1000 simulasi pada data yang memiliki sebaran normal, menghasilkan
bahwa untuk metode parametrik (RAKLD) terdapat 58 nilai yang signifikan, untuk uji
Friedman terdapat 46 bernilai signifikan, dan untuk uji Anderson terdapat 58 nilai yang
signifikan. Berdasarkan jumlah signifikansi pada kedua metode terlihat bahwa RAKLD
memiliki nilai yang sama dengan uji Anderson yaitu berjumlah 58, nilai ini lebih besar
dibandingkan uji Friedman, sehingga diperoleh kesimpulan bahwa untuk simulasi
menggunakan sebaran normal ini baik RAKLD (metode parametrik) dan uji Anderson
lebih baik dibandingkan uji Friedman.

15
6. Penutup
6.1 Kesimpulan
Berdasarkan pembahasan pada bab-bab sebelumnya dapat ditarik kesimpulan sebagai
berikut:
• Tabel distribusi pasti untuk uji Friedman dan uji Anderson digunakan untuk
pengujian dengan ukuran sampel kecil, sedangkan untuk ukuran sampel yang
besar digunakan distribusi asimptotik.
• Uji Friedman dan uji Anderson adalah alternatif yang digunakan apabila
rancangan acak kelompok dasar tidak dipenuhi.
• Berdasarkan hasil simulasi dengan sebaran seragam untuk ukuran jumlah
perlakuan 3, dan blok 4, diperoleh bahwa RAKLD (metode parametrik) lebih
baik dibandingkan uji Friedman, dan uji Anderson (metode nonparametrik). Hal
ini karena metode parametrik menghasilkan nilai signifikan yang lebih besar
dibandingkan pada metode nonparametrik.
• Hasil simulasi menggunakan sebaran normal untuk ukuran jumlah perlakuan 3,
dan blok 4 dengan tiga kombinasi rata-rata, diperoleh hasil yang berbeda-beda,
untuk simulasi dengan ketiga rata-rata yang sama, RAKLD lebih baik
dibandingkan dengan metode nonparametrik. Untuk simulasi dengan dua rata-
rata sama, dan satu rata-rata berbeda diperoleh hasil bahwa uji Anderson lebih
baik karena menghasilkan nilai yang lebih signifikan dibandingkan dengan uji
Friedman, dan RAKLD, dan untuk simulasi dengan ketiga rata-rata yang
berbeda, uji Anderson, dan RAKLD lebih baik dibandingkan uji Friedman.

6.2 Saran
Penulisan pada skripsi ini terbatas menggunakan data bangkitan dengan sebaran normal
dengan kombinasi banyaknya perlakuan yang digunakan mempengaruhi kombinasi rata-
rata, selain itu ukuran simulasi juga terbatas pada 1000 simulasi. Untuk itu diharapkan
agar pengembangan dari penulisan ini dapat berkelanjutan dengan menggunakan
simulasi dengan distribusi selain normal, ukuran simulasi yang digunakan lebih
bervariasi, serta ukuran kombinasi perlakuan yang berbeda, sehingga diharapkan dapat
menghasilkan kesimpulan yang lebih akurat.

DAFTAR PUSTAKA

[1] Anonim. 2010. Anova.

http://statistikkelasakelompok9anova.blogspot.com/2009/12/anova.html
[2] Conover, W.J. 1971. Practical Nonparametric Statistics. John Wiley and Sons.
New York
[3] Daniel, W.W. 1989. Statistik Nonparametrik Terapan. PT Gramedia. Jakarta
[4] Djarwanto PS. 2001. Mengenal Beberapa Uji Statistik Nonparametrik Terapan.

16
 PT Gramedia. Jakarta
[5] Gibbons, J. D. dan S. Chakraborti. 2003. Nonparametric Statistical Inference
(Fourth Edition). Marcel Dekker, Inc. United States of America
[6] Hinkelmann, K. dan O. Kempthorne. 2008. Design and Analysis of Experiments
(Second Edition). John Wiley and Sons. Canada
[7] Kurtz, N. R. 1983. Introduction to Social Statistics. McGraw Hill International.
Book Company. Japan
[8] Lentner, M. dan T. Bishop. 1986. Experimental Design and Analysis.
Valley Book Company. Blackburg
[9] Levin, J. dan J. A. Fox. 1991. Elementary Statistics in Social Research (5th
Edition). Harper Collins Publishers. United States of America
[10] McClave, J. T. dan F. H. Dietrich. 1979. Statistics. Dellen Publishing Company.
San Francisco, California
[11] Murti, B. 1996. Penerapan Metode Statistik Nonparametrik dalam Ilmu-Ilmu
Kesehatan. PT Gramedia. Jakarta
[12] Nugroho, S. 2008. Rancangan Percobaan. UNIB Press. Bengkulu
[13] ______________. Statistika Nonparametrik. UNIB Press. Bengkulu
[14] _________. 2009. Simulasi.
http://sutanto.staff.uns.ac.id/files/2009/03/ikhwan.pdf.. 8 Agustus 2010
[15] Rayner, J. C. W dan D. J. Best. Nonparametric Test for Data in Randomised
Blocks with Ordered Alternatives. Journal of Applied Mathematics & Decision
Sciences, Vol 3, No.2. 1999, pp. 143-
153.http://www.emis.de/journals/HOA/JAMDS/Volume3_2/153.pdf
[16] Rayner, J. C. W dan D. J. Best. 2001. Contingency Table Approach to
Nonparametric Testing. Chapman & Hall. United Stated of America
[17] Siegel, S. 1992. Statistik Nonparametrik Untuk Ilmu-Ilmu Sosial. PT Gramedia.
Jakarta
[18] Sprent, P. dan N. C. Smeeton. 2001. Applied Nonparametric Statistical Methods.
CRC Press LLC. United Stated of America
[19] Steel, R. G. D. dan J. H. Torre. 1981. Principles and Procedures of Statistics a
Biometrical Approach (Second Edition). McGraw Hill International Editions
Book Company. Singapore
[20] Sugiyono. 2007. Statistik Nonparametris. CV Alfabeta. Bandung

17